Analyse différentielle par groupes de gènes de données scRNA-seq issues d'échantillons multiples

Gene set differential analysis of multi-sample scRNA-seq data

• Auteur / Autrice : Sara Fallet
• Direction : Boris Hejblum, Pierre Neuvial
• Type : Projet de thèse
• Discipline(s) : Santé publique Option Biostatistiques
• Date : Inscription en doctorat le 16/09/2024
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : Sociétés, Politique, Santé Publique
• Partenaire(s) de recherche : Laboratoire : Bordeaux Population Health Research Center
• Partenaire(s) de recherche : Equipe de recherche : E10 - Statistics in Systems biology and Translational Medicine_SISTM

Mots clés

Mots clés libres

Analyse différentielle

ScRNA-seq

Échantillons mutiples

Groupes de gènes

Differential analysis

ScRNA-seq

Multi-sample

Gene set

Résumé

La technologie de mesure de l'ARN-seq en cellules uniques (scRNA-seq) mesure l'expression des gènes dans des centaines, voire des milliers de cellules à partir d'un seul échantillon biologique, ce qui permet d'étudier les mécanismes moléculaires à la résolution d'une seule cellule. En immunologie, cette technologie est de plus en plus utilisée pour démêler la réponse immunitaire complexe à une infection (ou à une vaccination) tout en tenant compte de l'hétérogénéité cellulaire dans le sang. L'analyse de l'expression différentielle permet d'identifier les gènes qui sont exprimés de manière différente selon certaines conditions, types cellulaires, temps ou expositions différents. Toutefois, les analyses d'expression différentielle se heurtent souvent à des problèmes de puissance statistique et de stabilité, notamment en raison de la nature dynamique de l'expression des gènes et de l'hétérogénéité des états cellulaires. L'étude de groupes de gènes, associés à des fonctions immunitaires spécifiques et obtenus à partir de connaissances biologiques a priori, peut améliorer la puissance statistique et la stabilité de l'analyse tout en facilitant l'interprétation biologique des résultats. Une telle méthode pourrait être appliquée à un ensemble de données réelles RNA-seq unicellulaires portant sur la réponse immunitaire à l'infection par le SARS-CoV-2 chez l'homme, afin d'étudier les différences dans la réponse des cellules immunitaires à l'infection associées à des différents degrés de sévérité de la maladie.

Single-cell RNA sequencing (scRNA-seq) technology measures gene expression in hundreds or even thousands of cells from a single biological sample, allowing for the study of molecular mechanisms at single-cell resolution. In immunology, this technology is increasingly used to unravel the complex immune response to an infection (or vaccination) while accounting for cellular heterogeneity in the blood. Differential expression analysis identifies genes that are differentially expressed under certain conditions, cell types, times, or exposures. However, differential expression analyses often face challenges related to statistical power and stability, primarily due to the dynamic nature of gene expression and the heterogeneity of cell states. Studying groups of genes associated with specific immune functions and derived from a priori biological knowledge can enhance the statistical power and stability of the analysis while facilitating the biological interpretation of the results. Such a method could be applied to a real single-cell RNA-seq dataset concerning the immune response to SARS-CoV-2 infection in humans, to investigate differences in the response of immune cells to the infection associated with varying degrees of disease severity.